บทบรรณาธิการ: AI เซ็นเซอร์และหุ่นยนต์ในฟีโนไทป์ของพืชและเกษตรกรรมแม่นยำ II (2023)

บทความบรรณาธิการ

• ¹วิทยาลัยวิศวกรรมศาสตร์ China Agricultural University ประเทศจีน
• ²Australian Institute for Machine Learning คณะวิทยาศาสตร์ วิศวกรรมศาสตร์ และเทคโนโลยี มหาวิทยาลัยแอดิเลด ประเทศออสเตรเลีย
• ³คณะวิชาพืชศาสตร์บูรณาการ วิทยาลัยเกษตรและวิทยาศาสตร์เพื่อชีวิต มหาวิทยาลัยคอร์เนล สหรัฐอเมริกา
• ⁴มหาวิทยาลัยและการวิจัย Wageningen ประเทศเนเธอร์แลนด์
• ⁵ห้องปฏิบัติการหลักของการบูรณาการระบบเกษตรอัจฉริยะ กระทรวงศึกษาธิการ วิทยาลัยสารสนเทศและวิศวกรรมไฟฟ้า มหาวิทยาลัยเกษตรจีน ประเทศจีน
• ⁶ห้องปฏิบัติการหลักของเทคโนโลยีการได้มาซึ่งสารสนเทศด้านการเกษตร กระทรวงเกษตร วิทยาลัยวิศวกรรมสารสนเทศและไฟฟ้า มหาวิทยาลัยเกษตรแห่งประเทศจีน ประเทศจีน
• ⁷วิทยาลัยวิศวกรรมเครื่องกลและอิเล็กทรอนิกส์ Northwest A&F University ประเทศจีน

ด้วยการเปลี่ยนแปลงของสภาพอากาศและการเติบโตของจำนวนประชากร อัตราส่วนของการผลิตอาหารต่อความต้องการจึงลดลงมากขึ้นเรื่อยๆ พืชและผลผลิตมีความสำคัญต่อการรักษาความยั่งยืนของระบบนิเวศทางธรรมชาติและความมั่นคงทางอาหารของมนุษย์ (Qiao et al.) การพัฒนาอย่างรวดเร็วและความก้าวหน้าทางเทคโนโลยีในด้านวิทยาการหุ่นยนต์และปัญญาประดิษฐ์ (AI) ฟีโนไทป์ของพืช และการเกษตรที่แม่นยำเริ่มมีบทบาทสำคัญในการป้องกันพืชอัจฉริยะของพืช การปกป้องดิน การลดสารเคมีและต้นทุนแรงงาน และสร้างความมั่นใจในการจัดหาอาหาร (Qiao et al al) ฟีโนไทป์ของพืชหมายถึงการได้รับลักษณะหรือลักษณะที่สังเกตได้ซึ่งได้รับผลกระทบร่วมกันจากจีโนไทป์และสิ่งแวดล้อม และเกิดขึ้นระหว่างการเจริญเติบโตและการพัฒนาของพืชจากปฏิสัมพันธ์แบบไดนามิกระหว่างพื้นหลังทางพันธุกรรมและโลกทางกายภาพที่พืชพัฒนาขึ้น (Li et al.) การเกษตรแบบแม่นยำช่วยให้การใช้ดินและน้ำเกิดประสิทธิภาพสูงสุดโดยมีวัตถุประสงค์เพื่อลดการสูญเสียและของเสียให้เหลือน้อยที่สุด นอกจากนี้ยังเพิ่มผลผลิตของพืชผล ตลอดจนลดความแปรปรวนและต้นทุนปัจจัยการผลิต (Cisternas et al.) ในช่วงไม่กี่ปีที่ผ่านมา นักวิจัยมีความก้าวหน้าอย่างมากในการพัฒนาวิธีการต่างๆ ของ AI เทคโนโลยีเซ็นเซอร์ และหุ่นยนต์การเกษตรสำหรับการเพาะปลูกและการตรวจสอบพืช (Weyler et al.; Lottes et al.; Hu et al. และ Su et al.) ดังแสดงในรูปที่ 1 พารามิเตอร์ทางสัณฐานวิทยา สรีรวิทยา และเคมีของพืชจำนวนมากสามารถวัดได้อย่างรวดเร็วและสะดวกโดยใช้ AI (Li และอื่นๆ). นอกจากนี้ การผสานรวมของเทคโนโลยี AI และหุ่นยนต์ช่วยให้สามารถตรวจสอบโรงงานได้แบบเรียลไทม์ในพื้นที่ที่ซับซ้อนและสภาพแวดล้อมที่มีการควบคุม (Atefi et al.) ด้วยการตรวจสอบสรีรวิทยาที่ซับซ้อนของพืชผ่านฟีโนไทป์ของพืช ทำให้ได้เมล็ดพันธุ์พืชที่มีคุณภาพสูงขึ้น (วัตต์ et al.) ยิ่งไปกว่านั้น ในระหว่างกระบวนการปกป้องพืช สามารถลดการใช้สารกำจัดศัตรูพืชและปุ๋ยได้ ซึ่งส่งผลให้สภาพแวดล้อมทางการเกษตรมีความยั่งยืนมากขึ้นในที่สุด (Vé lez et al.)
ในฐานะที่เป็นเครื่องมือและกระบวนการที่มีประสิทธิภาพ ฟีโนไทป์ของพืชจึงเป็นส่วนสำคัญของการผลิตทางการเกษตรที่ทันสมัย ​​ชาญฉลาด และแม่นยำ พารามิเตอร์ทางสรีรวิทยาและสัณฐานวิทยาต่างๆ เกี่ยวกับพืชได้มาจากเซ็นเซอร์ต่างๆ เช่น กล้อง RGB, Lidar และกล้องหลายตัวและกล้องไฮเปอร์สเปกตรัมเพื่อใช้เป็นพื้นฐานในการตัดสินใจสำหรับการจัดการโรงงานแบบเรียลไทม์และในอนาคต (Rivera et al.) เชน และคณะ นำเสนอเครือข่ายแกนหลักใหม่ ResNet50FPN-ED สำหรับการแบ่งส่วนอินสแตนซ์ Mask R-CNN แบบเดิม เพื่อปรับปรุงความสามารถในการตรวจจับและการแบ่งกลุ่มของกลุ่มองุ่นในสภาพแวดล้อมภาคสนามที่ซับซ้อน ความแม่นยำเฉลี่ย (AP) อยู่ที่ 60.1% ในการตรวจจับวัตถุ และ 59.5% ในการแบ่งส่วนอินสแตนซ์ อาทิตย์และคณะ เสนอวิธีการโลคัลไลเซชันแบบหลายสเกลที่เรียกว่า MCBLNet ตามหมายเหตุประกอบแบบจุด ซึ่งได้รับความแม่นยำเฉลี่ย 49.4% สูงกว่าวิธีการโลคัลไลเซชันแบบอิงจุดแบบดั้งเดิมในชุดข้อมูลทดสอบ ขึ้นอยู่กับโมเดล YOLOv5 ที่ปรับปรุงแล้ว Wang และคณะ เสนอวิธีการตรวจผลลิ้นจี่ที่รวดเร็วและแม่นยำและโปรแกรมซอฟต์แวร์ที่เกี่ยวข้อง ผลการวิจัยพบว่าค่าเฉลี่ยความแม่นยำ (mAP) ของแบบจำลองที่ปรับปรุงแล้วเพิ่มขึ้น 3.5% เมื่อเทียบกับแบบจำลองเดิม และค่าสัมประสิทธิ์สหสัมพันธ์ R 2 ระหว่างการทดสอบการใช้งานและผลลัพธ์จริงของการประมาณค่าผลผลิตเท่ากับ 0.9879 อิงตามเทคโนโลยีการถ่ายภาพ Li et al. ดำเนินการสร้างใหม่แบบสามมิติ การประมวลผลล่วงหน้าแบบพอยต์คลาวด์ การวิเคราะห์พารามิเตอร์ฟีโนไทป์ และการจดจำลำต้นและใบและการแบ่งส่วนของต้นกล้าข้าวโพดตามลำดับ เป็นการปูทางใหม่สำหรับการวิจัยฟีโนไทป์ของข้าวโพด หลี่และคณะ เสนอวิธีการจำแนกแบบกระจัดกระจาย (GSC) ตามการถ่ายภาพไฮเปอร์สเปกตรัมเพื่อตรวจหาข้าวโพดสดที่ปอกเปลือกเสียหาย ผลปรากฏว่าอัตราความแม่นยำในการจำแนกโดยรวมของวิธีนี้ในชุดฝึกเท่ากับ 98.33% และอัตราความแม่นยำในการจำแนกโดยรวมของชุดทดสอบเท่ากับ 95.00%
โรคและแมลงศัตรูพืชเกิดขึ้นไม่สม่ำเสมอและเป็นอันตรายต่อการเจริญเติบโตและการผลิตของพืช การตรวจหาศัตรูพืชและโรคให้ทันเวลาสำหรับการดำเนินการที่จำเป็นเป็นสิ่งสำคัญ ความก้าวหน้าล่าสุดในการมองเห็นด้วยคอมพิวเตอร์ทำให้วิธีการนี้เป็นที่นิยมในการบรรลุภารกิจนี้ (Guo et al.) โดยมุ่งเป้าไปที่ปัญหาการตรวจหาโรคพืชไร่อย่างรวดเร็ว Dai et al. เสนอสถาปัตยกรรมเครือข่ายใหม่ YOLO V5-CAcT พวกเขาปรับใช้เครือข่ายบนแพลตฟอร์มการเรียนรู้เชิงลึก NCNN ทำให้เป็นโซลูชันโรคพืชระดับอุตสาหกรรม ผลการวิจัยพบว่าภาพถ่ายโรคพืช 59 หมวดจาก 10 พันธุ์ มีความแม่นยำในการจดจำเฉลี่ยถึง 94.24% เวลาอนุมานเฉลี่ยต่อตัวอย่างคือ 1.56 มิลลิวินาที โดยมีขนาดแบบจำลอง 2 เมกะไบต์ ในการหาปริมาณความรุนแรงของการติดเชื้อที่ใบ Liu et al. เสนอวิธีการตามรูปภาพพร้อมไปป์ไลน์การวิเคราะห์การเรียนรู้เชิงลึก พวกเขาใช้ข้อมูลภาพของใบองุ่นที่เป็นโรคราน้ำค้าง (DM) และโรคราแป้ง (PM) เพื่อทดสอบประสิทธิภาพของวิธีการ ผลการทดลองแสดงให้เห็นว่าความแม่นยำในการแบ่งส่วน DM และ PM ในแง่ของค่าเฉลี่ย IOU ของวิธีการที่เสนอในภาพทดสอบมีค่ามากกว่า 0.84 และ 0.74 ตามลำดับ ฝ้ายเป็นพืชเศรษฐกิจที่สำคัญและการจัดการศัตรูพืชได้รับความสนใจมาโดยตลอด ฟู et al. เสนอแบบจำลองการตรวจสอบเชิงปริมาณของความรุนแรงของเพลี้ยฝ้ายตามข้อมูล Sentinel-2 โดยการรวมอนุพันธ์ของอัตราส่วนสเปกตรัม (DRS) และอัลกอริทึมป่าสุ่ม (RF) ความแม่นยำในการจำแนกโดยรวมคือ 80% ค่าสัมประสิทธิ์แคปปาเท่ากับ 0.73 และวิธีการนี้มีประสิทธิภาพดีกว่าวิธีทั่วไปสี่วิธี เพื่ออำนวยความสะดวกในการปรับใช้โมเดลโครงข่ายประสาทเทียมแบบ Deep Convolution ในแอปอุปกรณ์อัจฉริยะเคลื่อนที่ได้ง่าย Zhu และคณะ ใช้อัลกอริธึมการตัดแต่งกิ่งเพื่อบีบอัดโมเดล เลือก VGG16, ResNet164 และ DenseNet40 เป็นโมเดลบีบอัดสำหรับการเปรียบเทียบ ผลลัพธ์แสดงให้เห็นว่าเมื่อตั้งค่าอัตราการบีบอัดเป็น 80% ความแม่นยำของเวอร์ชันบีบอัดของ VGG16, ResNet164 และ DenseNet40 จะอยู่ที่ 90.77%, 96.31% และ 97.23% ตามลำดับ นอกจากนี้ แอปตรวจจับโรคฝ้ายบนแพลตฟอร์ม Android ได้รับการพัฒนา และเวลาเฉลี่ยในการประมวลผลภาพเดียวคือ 87 มิลลิวินาทีด้วยโทรศัพท์ทดสอบ
ด้วยการพัฒนาอย่างรวดเร็วและความนิยมของหุ่นยนต์เคลื่อนที่และยานพาหนะทางอากาศไร้คนขับ (UAVs) พวกมันจึงถูกนำมาใช้มากขึ้นสำหรับการใช้งานด้านการเกษตรสำหรับการปฏิบัติงานอัตโนมัติเพื่อหลีกเลี่ยงการดำเนินการด้วยตนเองที่เป็นอันตราย ซ้ำซาก และซับซ้อน (Vong et al. และ Vé lez et al.) Zheng et al. มุ่งเป้าไปที่ปัญหาการเก็บเกี่ยวที่เผชิญในการเกษตรแบบแม่นยำ ออกแบบหุ่นยนต์จับยึดโดยศึกษาปัญหาการเก็บมะเขือเทศที่จับเป็นพวง ผลลัพธ์แสดงให้เห็นว่าในสภาพแวดล้อมการจำลอง อุปกรณ์จับยึดสามารถจับมะเขือเทศขนาดกลางและขนาดใหญ่ที่มีเส้นผ่านศูนย์กลาง 65∼95 มม. ได้อย่างราบรื่น และทั้งหมดเป็นไปตามเงื่อนไขแรงทำลายขั้นต่ำระหว่างการดำเนินการจับ ในแง่ของการจัดการพืช เช่น การฉีดพ่นและการใส่ปุ๋ยด้วยหุ่นยนต์ Hu et al. เสนอ LettuceTrack ซึ่งเป็นวิธีการติดตามหลายวัตถุ (MOT) สำหรับการตรวจจับและติดตามพืชผักกาดหอมแต่ละชนิดโดยสร้างคุณลักษณะเฉพาะ วิธีการนี้ออกแบบมาเพื่อหลีกเลี่ยงการฉีดพ่นพืชผักกาดหอมชนิดเดียวกันหลายครั้ง เพื่อแก้ปัญหาการเสียรูปการสั่นสะเทือนที่เกิดจากการทำงานของเครื่องเก็บเกี่ยวข้าวโพด Fu et al ได้จัดเตรียมอัลกอริทึมการสลายตัวแบบเชิงประจักษ์ (EMD) ที่ปรับปรุงแล้ว เพื่อลดเสียงรบกวนและการสั่นสะเทือนที่ไม่หยุดนิ่งในสนาม ผลการวิจัยพบว่าแบบจำลองที่เสนอสามารถลดสัญญาณรบกวน เรียกคืนข้อมูลที่มีประสิทธิภาพของสัญญาณดั้งเดิมได้อย่างมีประสิทธิภาพ และได้รับความแม่นยำ 99.21% เมื่อระบุสถานะการสั่นสะเทือนของเฟรม UAV สามารถใช้เพื่อตรวจสอบสุขภาพของพืชผล ระดับความชื้นในดิน และระบุพื้นที่ที่ต้องการการชลประทานหรือการปฏิสนธิ ด้วยการใช้เซ็นเซอร์และกล้องขั้นสูง โดรนสามารถจับภาพข้อมูลและทำการสำรวจที่ให้ข้อมูลเชิงลึกอันมีค่าแก่เกษตรกรเกี่ยวกับการเจริญเติบโตและผลผลิตของพืช (Zhang et al.) ยิ่งไปกว่านั้น แนวทางต่างๆ ของการนำทาง การนำทาง และการควบคุมของ UAV เมื่อนำไปใช้กับการเกษตรเริ่มถูกตรวจสอบเพื่อให้สามารถจัดการพืชผลแบบเรียลไทม์ด้วยฝูงบินของ UAV ที่เป็นอิสระ หวางและคณะ เสนอรูปแบบการควบคุมแบบกระจายเพื่อแก้ปัญหาการหลีกเลี่ยงการชนกันในระบบ UAV หลายตัว ผลการจำลองเชิงตัวเลขแสดงให้เห็นว่าวิธีการนี้สามารถควบคุม UAV หลายเครื่องได้อย่างมีประสิทธิภาพเพื่อให้ภารกิจการป้องกันพืชสำเร็จภายในเวลาที่กำหนดไว้ หลี่และคณะ เสนอวิธีแก้ปัญหาสำหรับการระบุที่พักข้าวสาลี มีการใช้โดรนเพื่อรับข้อมูล 3 มิติบนคลาวด์พอยต์คลาวด์ของข้าวสาลี ซึ่งได้รับการประมวลผลด้วยโครงข่ายประสาทเทียมเพื่อให้ได้ผลการจดจำที่พักข้าวสาลี ผลลัพธ์แสดงให้เห็นว่าคะแนน F1 ของแบบจำลองการจำแนกประเภทคือ 96.7% สำหรับการบรรจุ 94.6% สำหรับการครบกำหนด ตามลำดับ
การเจริญเติบโตของพืชและผลผลิตทางการเกษตรอาจไม่แน่นอน เนื่องจากสิ่งแวดล้อมได้รับผลกระทบอย่างมาก สภาพแวดล้อมทางนิเวศวิทยาที่ดี ได้แก่ ป่าไม้ ที่ดิน และแหล่งน้ำ เป็นพื้นฐานของการพัฒนาที่ยั่งยืน นักวิจัยกำลังให้ความสนใจมากขึ้นกับการนำปัญญาประดิษฐ์และเทคโนโลยีเซ็นเซอร์มาใช้กับระบบนิเวศ และมีส่วนร่วมในการปกป้องพืชอย่างยั่งยืนด้วยการตรวจจับและติดตามระบบนิเวศ (Maharjan et al.) Zheng et al. ดำเนินการวิจัยวิธีการบ่งชี้อันตรายจากไฟป่า พวกเขาเสนออัลกอริธึมการรู้จำไฟป่าที่ได้รับการปรับปรุงสำหรับการรู้จำไฟโดยการรวมโครงข่ายประสาทเทียมแบบย้อนกลับ (BP) และตัวแยกประเภท SVM พวกเขาสร้างชุดข้อมูลไฟป่าและทดสอบด้วยอัลกอริธึมการจำแนกประเภทต่างๆ ผลปรากฏว่าวิธีการที่นำเสนอมีอัตราความแม่นยำถึง 92.73% ซึ่งพิสูจน์ให้เห็นถึงประสิทธิภาพของอัลกอริทึม ตามช่องทางเรียบและช่องทางระบบนิเวศที่มีรูปร่างต่างกัน Zhou et al. เสนอวิธีการติดตั้งเซ็นเซอร์อัลตราโซนิกเพื่อให้ได้ความเร็วการไหลของช่องสัญญาณ ผลลัพธ์แสดงให้เห็นว่าวิธีการนี้ช่วยลดความยุ่งยากในการจัดเรียงเซ็นเซอร์ในการไหลของช่องสัญญาณ และปรับปรุงความแม่นยำของวิธีการวัดการไหล วิธีนี้มีประโยชน์ในการส่งเสริมการสร้างช่องทางในระบบนิเวศ
การพัฒนาการเกษตรอย่างยั่งยืนต้องใช้ความพยายามจากหลายมุมมอง มนุษย์จำเป็นต้องสร้างสภาพแวดล้อมทางนิเวศวิทยาที่ดี รวมทั้งแหล่งน้ำ ป่าไม้ และดิน เพื่อให้พืชเติบโตในสภาพแวดล้อมที่ดี การจัดวางเซ็นเซอร์ที่เหมาะสมยิ่งขึ้นและการใช้ปัญญาประดิษฐ์สามารถตรวจสอบการเปลี่ยนแปลงของสิ่งแวดล้อมได้แบบเรียลไทม์ เพื่อให้เกษตรกรสามารถกำหนดมาตรการควบคุมที่เหมาะสมยิ่งขึ้น นอกจากนี้ ฟีโนไทป์ของพืชจะมีบทบาทสำคัญมากขึ้นในการเกษตรในอนาคต รวมถึงการปรับปรุงพันธุ์พืชและการได้มาซึ่งค่าพารามิเตอร์ของพืช เทคโนโลยี AI และหุ่นยนต์ได้รับการบูรณาการมากขึ้นในการปกป้องพืช การปฏิสนธิ และการเก็บเกี่ยวเพื่อให้ได้คุณภาพและผลผลิตของอาหารที่สูงขึ้น วิธีการต่างๆ ของ AI หุ่นยนต์และอุปกรณ์การเกษตรอัจฉริยะได้รับการเสนอและพิสูจน์แล้วว่ามีประสิทธิภาพในห้องปฏิบัติการและในไร่นา การปรับใช้วิธีการเหล่านี้และหุ่นยนต์ในระหว่างการผลิตทางการเกษตรจริง ในขณะที่ทำให้กระบวนการทั้งหมดมีต้นทุนที่ต่ำลง เป็นความท้าทายที่จะเกิดขึ้นสำหรับทั้งนักวิจัยและอุตสาหกรรมการเกษตร นอกจากนี้ การทำงานร่วมกันของหุ่นยนต์หลายตัวรวมถึงความร่วมมือภาคพื้นดินสู่อากาศจะสร้างระบบการเกษตรอัจฉริยะที่ดีขึ้น และสร้างระบบเกษตรกรรมยั่งยืนและหมุนเวียนสำหรับการทำฟาร์มในอนาคต

คำสำคัญ:เซ็นเซอร์ หุ่นยนต์ ฟีโนไทป์ของพืช การเกษตรแม่นยำ ปัญญาประดิษฐ์

ได้รับ:02 พฤษภาคม 2566;ยอมรับ:19 พฤษภาคม 2566

ลิขสิทธิ์:© 2023 ซู เฉียว เจียง วาเลนเต้ จาง และเหอ นี่เป็นบทความแบบเปิดที่เผยแพร่ภายใต้เงื่อนไขของใบอนุญาตครีเอทีฟคอมมอนส์แบบแสดงที่มา (CC BY). อนุญาตให้ใช้ แจกจ่าย หรือทำซ้ำในฟอรัมอื่น โดยต้องให้เครดิตผู้เขียนต้นฉบับหรือผู้อนุญาต และมีการอ้างถึงสิ่งพิมพ์ต้นฉบับในวารสารนี้ ตามแนวทางปฏิบัติทางวิชาการที่เป็นที่ยอมรับ ไม่อนุญาตให้ใช้ แจกจ่าย หรือทำซ้ำซึ่งไม่เป็นไปตามข้อกำหนดเหล่านี้

* การติดต่อ:ม. Yongliang Qiao, Australian Institute for Machine Learning, คณะวิทยาศาสตร์, วิศวกรรมและเทคโนโลยี, มหาวิทยาลัยแอดิเลด, แอดิเลด, ออสเตรเลีย